基于离群点检测的链路流量细粒度监测

【目的】科研网络链路局部流量尖峰和细粒度传输异常对精密联合科学观测的影响较大,科研网络当前采用的固定阈值链路流量监测方法仅能有效监测链路资源消耗,无法实时监测链路汇聚流量中的细粒度异常。【方法】因此,本文基于改进的局部离群点检测方法面向科研网络需求设计了一种新型链路流量细粒度监测预警模型,通过在滑动时间窗口内对观测流量与动态基线进行快速计算实现链路流量细粒度异常的快速监测预警。【结论】在中国科技网生产环境中的实网验证表明,预警触发点与实际生产工单数据中的异常记录点全部吻合,具备工程应用的可行性。

FINFLO:快速局部异常点检测算法

【目的】基于局部密度的LOF算法时间复杂度高,且容易将处于簇边缘的正常对象误判成异常对象,INFLO算法引进反向k-近邻解决LOF算法这一缺陷,但是计算每个对象的局部异常因子时都会使用反向k-近邻没有必要且耗费时间。【方法】通过对两个算法的分析,本文改进了INFLO算法,提出了一种快速异常点检测算法FINFLO(faster Influenced outlierness),该算法的主要思想是:计算对象的局部因子时尽量避免考虑反向k-近邻对象,尽可能地只利用k-近邻对象。首先,计算出所有对象的反向k-近邻对象个数的均值,然后在计算对象的局部异常因子时,如果对象的反向k-近邻对象个数不小于所有对象的反向k-近邻对象个数均值,则只需要考虑对象的k-近邻对象,否则需要同时考虑k-近邻对象和反向k-近邻对象。【结论】实验结果显示,该算法能够提高离群点检测的精度,降低时间复杂度,实现有效的局部离群点的检测。

面向科研专网的链路流量预测模型

当今科研活动已越来越依赖科研数据网络的高效传输,这对科研专网的链路资源规划和运行管理带来了更高要求.面向科研专网的实际需求建立链路流量预测模型能使网络运营者在SDN等先进控制转发技术辅助下更有效进行资源调度的快速决策.现有的预测方法未考虑当前网络流量更具多样化和更高复杂度的深层细粒度特征.通过改进LSTM模型,本文面向科研专网的管理需求提出了一种新型的链路流量预测模型,由自编码器AE、双向LSTM模型、单向LSTM模型和全连接层组成的AE-栈式混合LSTM模型,较大幅度提升了流量特征的提取能力,更好地挖掘不同时刻的数据特征之间前后依赖关系.本模型使用中国科技网CSTNet的全国骨干网真实生产环境中随机抽取的某一链路关联节点数据进行验证.实验结果证明本模型的预测结果符合流量真实变化趋势,且预测值与观测值之间的残差较小,能较好的拟合科研专网的现有流量.